YOLO11과 YOLOv5 비교#
적절한 신경망 아키텍처를 선택하는 것은 모든 컴퓨터 비전 프로젝트에서 매우 중요한 결정입니다. 인공지능 분야가 발전함에 따라 개발자와 연구자가 사용할 수 있는 도구도 함께 진화하고 있습니다. 이 종합 가이드는 Ultralytics 생태계의 대표적인 두 모델인 높은 평가를 받는 YOLOv5와 고급 모델인 YOLO11을 심층적으로 기술 비교합니다.
엣지 AI 애플리케이션에 경량 모델을 배포하든 클라우드 GPU에서 고해상도 비디오 스트림을 처리하든, 이러한 모델의 아키텍처상의 차이, 성능 지표, 이상적인 사용 사례를 이해하면 특정 배포 제약 조건에 맞춰 데이터에 기반한 선택을 내릴 수 있습니다.
모델 계보 및 기술 세부 정보#
두 모델 모두 오픈 소스 협업, 강력한 성능, 탁월한 사용 편의성에 대한 Ultralytics의 노력을 반영하며, 전 세계 머신 러닝 커뮤니티에서 높은 선호를 받고 있습니다.
YOLO11 세부 정보#
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: ultralytics/ultralytics
- 문서: YOLO11 문서
YOLOv5 세부 정보#
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: ultralytics/yolov5
- 문서: YOLOv5 Documentation
아키텍처 차이#
YOLOv5에서 YOLO11로의 발전 과정에서는 정확도와 파라미터 효율성을 최적화하기 위해 설계된 몇 가지 중요한 아키텍처 변화가 도입되었습니다.
YOLOv5는 PyTorch 생태계의 선구자로서 고도로 최적화된 CSPNet(교차 단계 부분 네트워크) 백본과 PANet(경로 집계 네트워크) 넥을 도입했습니다. YOLOv5는 사전에 정의된 앵커 박스가 있어야 객체 경계를 예측할 수 있는 앵커 기반 detection에 의존했습니다. 매우 효과적이었지만, 사용자 지정 컴퓨터 비전 데이터셋에 맞게 이러한 앵커를 조정하는 작업은 번거로울 수 있었습니다.
반면 YOLO11은 더 현대적인 앵커 프리 detection 패러다임으로 전환합니다. 이를 통해 수동으로 앵커 박스를 조정할 필요가 없어져 학습 과정이 간소화되고 COCO 데이터셋과 같은 다양한 데이터셋에서 일반화 성능이 향상됩니다. 또한 YOLO11은 분리형 헤드를 사용하므로 classification과 바운딩 박스 regression 작업이 별도의 브랜치에서 처리됩니다. 이러한 분리는 특히 복잡한 객체 detection 시나리오에서 수렴 속도와 평균 정밀도(mAP)를 크게 향상합니다.
성능 지표 및 벤치마크#
아래 표에서는 다양한 모델 크기에서 주요 지표를 비교합니다. Ultralytics 모델은 메모리 요구량이 적은 것으로 잘 알려져 있으며, 일반적으로 무거운 Transformer 기반 대안보다 학습 중 CUDA 메모리를 적게 사용하므로 하드웨어 진입 장벽을 크게 낮춥니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
확인할 수 있듯이 YOLO11은 매우 뛰어난 성능 균형을 달성하며, YOLOv5의 대응 모델과 비슷한 파라미터 수에서 일관되게 더 높은 mAP 점수를 제공합니다.
학습 방법론 및 사용 편의성#
Ultralytics 철학의 핵심 원칙은 잘 유지 관리되는 생태계와 폭넓은 커뮤니티 지원을 바탕으로 한 뛰어난 사용 편의성입니다.
YOLOv5는 역사적으로 실행을 위해 강력한 명령줄 인터페이스(CLI) 스크립트(train.py, detect.py)에 의존했습니다. 강력한 기능을 제공했지만 이러한 스크립트를 사용자 지정 Python 애플리케이션에 직접 통합하려면 우회 방법이 필요한 경우가 많았습니다.
YOLO11은 간소화된 ultralytics Python 패키지를 도입하여 이 문제를 혁신적으로 개선했습니다. 이 통합 API는 모델 내보내기를 비롯해 ONNX, OpenVINO, TensorRT와 같은 형식으로의 변환까지 학습부터 모든 작업을 기본적으로 처리합니다.
완전한 노코드 경험을 위해 개발자는 Ultralytics Platform을 활용하여 데이터에 주석을 추가하고, 클라우드에서 모델을 학습하며, 엣지 디바이스에 원활하게 배포할 수 있습니다.
코드 비교#
오늘날 Ultralytics 모델 학습은 매우 효율적입니다. 다음은 네이티브 Python API를 사용하여 YOLO11을 학습하는 방법입니다.
from ultralytics import YOLO
# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model on custom data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Export the model to ONNX for deployment
model.export(format="onnx")YOLOv5를 사용하는 레거시 시스템의 경우 CLI를 통한 학습은 다음과 같습니다.
# Clone the repository and run the training script
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.pt이상적인 사용 사례 및 실제 애플리케이션#
두 모델은 서로 다른 운영 환경에 맞는 고유한 강점을 갖고 있습니다.
YOLOv5를 사용해야 하는 경우#
더 새로운 세대의 모델이 등장했음에도 YOLOv5는 여전히 강력한 성능을 발휘합니다. 다음과 같은 경우에 특히 권장됩니다.
- 레거시 시스템 통합: YOLOv5의 특정 tensor 구조 또는 배포 파이프라인과 깊이 통합되어 있어 쉽게 리팩터링할 수 없는 환경입니다.
- 학술적 기준선: 의료 영상 분석에 관한 재현 가능한 학술 연구를 위해 확립되고 오랫동안 사용되어 온 기준선이 필요한 연구자입니다.
YOLO11을 사용해야 하는 경우#
YOLO11은 뛰어난 범용성으로 인해 현대적인 production pipeline에 이상적인 선택입니다.
- 멀티 태스크 환경: 주로 detector(이후 segmentation 기능이 추가됨)인 YOLOv5와 달리 YOLO11은 instance segmentation, image classification, pose estimation, 방향성 BBox(OBB) detection을 기본적으로 지원합니다.
- 고밀도 비디오 분석: 복잡한 장면에서 최고의 정밀도를 추출하는 것이 중요한 지능형 교통 시스템이나 소매 재고 관리에 적합합니다.
앞으로의 전망: YOLO26 아키텍처#
YOLO11은 뛰어난 표준으로 자리 잡고 있지만 컴퓨터 비전의 최전선은 계속해서 빠르게 발전하고 있습니다. 최고의 효율성을 추구하는 개발자는 최신 Ultralytics YOLO26(2026년 1월 출시)도 고려해야 합니다.
YOLO26은 엣지 최적화와 엔터프라이즈 규모를 모두 고려하여 명시적으로 설계된 획기적인 도약입니다. 주요 혁신 사항은 다음과 같습니다.
- 엔드투엔드 NMS-Free 설계: YOLO26은 기본적으로 엔드투엔드 방식이므로 비최대 억제(NMS) 후처리를 제거하여 더 빠르고 간단한 배포를 지원합니다.
- DFL 제거: 단순화된 모델 내보내기와 저전력 디바이스 호환성 향상을 위해 Distribution Focal Loss를 제거했습니다.
- MuSGD Optimizer: SGD와 Muon을 결합한 획기적인 하이브리드 Optimizer로, LLM 학습의 안정성을 컴퓨터 비전에 적용하여 더 빠른 수렴을 실현합니다.
- 최대 43% 더 빠른 CPU Inference: 전용 GPU가 없는 IoT 배포 및 디바이스에 맞춰 고도로 최적화되었습니다.
- ProgLoss + STAL: 작은 객체 인식 성능을 크게 향상하는 개선된 loss function으로, 항공 드론 이미지에서 매우 중요합니다.
요약#
YOLO11과 YOLOv5 중 무엇을 선택할지는 궁극적으로 프로젝트의 수명 주기 단계에 따라 달라집니다. YOLOv5의 유산은 부인할 수 없으며, 뛰어난 안정성과 막대한 커뮤니티 지원을 제공합니다. 그러나 새로운 프로젝트에는 오래된 세대의 모델보다 YOLO11을 적극 권장합니다. YOLO11은 최첨단 정확도, 매우 우아한 Python API, 더 낮은 학습 메모리 오버헤드를 결합하여 AI 혁신의 최전선에서 Ultralytics의 입지를 확고히 합니다. 한 단계 더 나아가려는 경우 Ultralytics Platform에서 최첨단 YOLO26을 살펴보면 탁월한 결과를 얻을 수 있습니다.